【值得收藏】LangChain 1.0深度解析：构建稳定生产就绪Agent平台的终极指南

LangChain 发布了其 1.0 版本。这不仅仅是一个版本号的跳跃，它标志着 LangChain 从一个快速迭代的实验性框架，正式迈向了一个专注、稳定、生产就绪的 Agent 构建平台。v1.0 围绕三大核心改进进行了精简和重构：全新的 create_agent、强大的中间件（Middleware）系统、以及标准化的内容块（Content Blocks）。

核心改进一：create_agent——Agent 构建新标准

create_agent 替代了旧版的 langgraph.prebuilt.create_react_agent，是 v1 中构建 Agent 的默认接口，兼具简洁性与高自定义性（核心通过 Middleware 实现）。

1. 核心特性与使用示例

•核心优势：接口更简单，支持通过 Middleware 深度自定义 Agent 流程，无需手动编写复杂循环逻辑。•基础用法：仅需指定模型、工具、系统提示即可创建 Agent，调用时通过 invoke 传入用户消息。

from langchain.agents import create_agent
# 1. 定义工具（如search_web、analyze_data）
# 2. 创建Agent
agent = create_agent(
    model="anthropic:claude-sonnet-4-5",  # 模型标识
    tools=[search_web, analyze_data, send_email],  # 关联工具
    system_prompt="You are a helpful research assistant."  # 系统提示
)
# 3. 调用Agent
result = agent.invoke({"messages": [{"role": "user", "content": "Research AI safety trends"}]})

•底层逻辑：遵循「调用模型→选择工具执行→无工具调用则结束」的核心循环，流程可视化如下（官方示意图）：

2. 关键扩展：Middleware（中间件）

Middleware 是 create_agent 的核心自定义入口，可控制 Agent 执行的全流程（如动态提示、隐私保护、人工介入），支持预构建中间件与自定义中间件。

（1）预构建中间件（官方提供）

覆盖常见场景，直接导入使用：

•PIIMiddleware：过滤敏感信息（如邮箱、手机号、社保号），避免泄露至模型。•SummarizationMiddleware：对话历史过长时自动浓缩，避免超出模型token限制。•HumanInTheLoopMiddleware：敏感工具调用（如发送邮件）需人工审批，降低风险。

使用示例：

from langchain.agents import create_agent
from langchain.agents.middleware import PIIMiddleware, SummarizationMiddleware, HumanInTheLoopMiddleware
agent = create_agent(
model="anthropic:claude-sonnet-4-5",
tools=[read_email, send_email],
middleware=[
PIIMiddleware(patterns=["email", "phone", "ssn"]),  # 过滤敏感信息
SummarizationMiddleware(model="anthropic:claude-sonnet-4-5", max_tokens_before_summary=500),  # 浓缩历史
HumanInTheLoopMiddleware(interrupt_on={"send_email": {"allowed_decisions": ["approve", "edit", "reject"]}})  # 邮件需审批
]
)

（2）自定义中间件

通过继承 AgentMiddleware 类，实现特定钩子函数（Hook），控制 Agent 执行的关键节点。
核心钩子函数与作用：

钩子函数	执行时机	典型用途
before_agent	Agent 启动前	加载内存、验证输入合法性
before_model	每次调用 LLM 前	更新提示词、裁剪过长消息
wrap_model_call	包裹 LLM 调用过程	拦截/修改模型请求/响应
wrap_tool_call	包裹工具调用过程	拦截/修改工具参数或执行结果
after_model	每次 LLM 响应后	验证输出合法性、添加安全护栏
after_agent	Agent 执行完成后	保存结果、清理临时数据

自定义示例：根据用户专业水平（ beginner/expert ）切换模型与工具：

from dataclasses import dataclass
from langchain_openai import ChatOpenAI
from langchain.agents.middleware import AgentMiddleware, ModelRequest
@dataclass
class Context:  # 定义上下文（存储用户专业水平）
user_expertise: str = "beginner"
class ExpertiseBasedToolMiddleware(AgentMiddleware):
def wrap_model_call(self, request: ModelRequest, handler) -> ModelResponse:
user_level = request.runtime.context.user_expertise
# 根据用户水平切换模型与工具
if user_level == "expert":
request.model = ChatOpenAI(model="openai:gpt-5")
request.tools = [advanced_search, data_analysis]
else:
request.model = ChatOpenAI(model="openai:gpt-5-nano")
request.tools = [simple_search, basic_calculator]
return handler(request)
# 使用自定义中间件
agent = create_agent(
model="anthropic:claude-sonnet-4-5",
tools=[simple_search, advanced_search, basic_calculator, data_analysis],
middleware=[ExpertiseBasedToolMiddleware()],
context_schema=Context  # 关联上下文 schema
)

3. 基于 LangGraph 的原生支持

create_agent 底层依赖 LangGraph，无需额外配置即可获得四大企业级特性：

•持久化（Persistence）：对话自动跨会话保存（基于 checkpointing）。•流式传输（Streaming）：实时流式返回 token、工具调用日志、推理过程。•人工介入（Human-in-the-loop）：关键步骤可暂停等待人工确认。•时间旅行（Time travel）：回溯对话任意节点，探索不同执行路径。

4. 结构化输出优化

v1 中结构化输出直接集成到 Agent 主循环，无需额外调用 LLM，降低成本与延迟：

•核心改进：模型可自主选择「调用工具」或「直接生成结构化输出」。•使用示例：指定 response_format 为 ToolStrategy，自动生成符合 Pydantic 模型的结果。

from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from pydantic import BaseModel

# 定义结构化输出格式
class Weather(BaseModel):
    temperature: float
    condition: str

# 定义工具
def weather_tool(city: str) -> str:
    return f"it's sunny and 70 degrees in {city}"

# 创建Agent并指定结构化输出
agent = create_agent(
    "openai:gpt-4o-mini",
    tools=[weather_tool],
    response_format=ToolStrategy(Weather)
)

# 调用后获取结构化结果
result = agent.invoke({"messages": [{"role": "user", "content": "What's the weather in SF?"}]})
print(result["structured_response"])  # 输出：Weather(temperature=70.0, condition='sunny')

•错误处理：通过 ToolStrategy 的 handle_errors 参数，处理「解析失败」「多工具调用冲突」等问题。

核心改进二：Standard Content Blocks（标准化内容块）

content_blocks 是 BaseMessage 类的新属性，为不同 LLM 提供商的输出（如推理过程、工具调用、引用）提供统一的访问接口，解决跨平台格式不兼容问题。

1. 核心作用与使用示例

•统一格式：无论使用 Anthropic、OpenAI 还是 Google GenAI，均可通过 content_blocks 读取「推理过程」「文本响应」「工具调用」三类核心内容。•基础用法：

from langchain_anthropic import ChatAnthropic

# 调用模型
model = ChatAnthropic(model="claude-sonnet-4-5")
response = model.invoke("What's the capital of France?")

# 遍历 content_blocks 解析输出
for block in response.content_blocks:
    if block["type"] == "reasoning":  # 模型推理过程（部分模型支持）
        print(f"Model reasoning: {block['reasoning']}")
    elif block["type"] == "text":     # 文本响应
        print(f"Response: {block['text']}")
    elif block["type"] == "tool_call":# 工具调用指令
        print(f"Tool call: {block['name']}({block['args']})")

2. 支持的集成与优势

（1）当前支持的 LLM 集成

仅以下官方集成支持 content_blocks，后续将逐步扩展：

•langchain-anthropic（Anthropic Claude）•langchain-aws（AWS Bedrock）•langchain-openai（OpenAI GPT 系列）•langchain-google-genai（Google Gemini）•langchain-ollama（Ollama 本地模型）

（2）核心优势

•Provider 无关：一套代码适配多平台，无需为不同模型编写差异化解析逻辑。•类型安全：所有内容块类型均提供完整 Type Hint，降低开发错误。•向后兼容：内容块采用「延迟加载」机制，不影响旧版代码运行。

核心改进三：简化命名空间（Simplified Namespace）

v1 对 langchain 包进行瘦身，仅保留 Agent 构建的核心模块，将 legacy 功能迁移至独立包 langchain-classic，降低学习与使用成本。

1. langchain 核心模块（v1 保留）

langchain 包仅聚焦 Agent 构建所需的关键功能，部分模块从 langchain-core 重新导出（方便调用）：

模块路径	包含内容	用途说明
langchain.agents	create_agent 、AgentState	核心 Agent 创建与状态管理
langchain.messages	消息类型（AIMessage/HumanMessage）、content_blocks、trim_messages	消息处理与标准化内容块
langchain.tools	@tool 装饰器、BaseTool、工具注入助手	工具定义与集成
langchain.chat_models	init_chat_model 、BaseChatModel	统一 LLM 初始化接口
langchain.embeddings	Embeddings 、init_embeddings	嵌入模型定义与初始化

使用示例：v1 中导入核心功能的简化写法

# Agent 构建
from langchain.agents import create_agent
# 消息处理
from langchain.messages import AIMessage, HumanMessage
# 工具定义
from langchain.tools import tool
# 模型初始化
from langchain.chat_models import init_chat_model
from langchain.embeddings import init_embeddings

2. langchain-classic——Legacy 功能迁移包

v1 将非 Agent 核心的 legacy 功能拆分至 langchain-classic，保持主包精简。

（1）langchain-classic 包含的内容

•旧版 Chains 及其实现（如 LLMChain）•检索器（Retrievers）：如 MultiQueryRetriever、旧 langchain.retrievers 模块内容•索引 API（Indexing API）•Hub 模块（用于程序化管理提示词）•langchain-community 包的导出内容•其他已废弃（Deprecated）的功能

（2）安装与迁移

•安装命令：

# 使用 pip 安装
pip install langchain-classic
# 使用 uv 安装（更快）
uv add langchain-classic

•导入修改：将旧代码中 from langchain import ... 改为 from langchain_classic import ...

# 旧版导入（v1 中失效）
from langchain.chains import LLMChain  # [!code --]
from langchain.retrievers import MultiQueryRetriever  # [!code --]
# 新版导入（v1 中使用 langchain-classic）
from langchain_classic.chains import LLMChain  # [!code ++]
from langchain_classic.retrievers import MultiQueryRetriever  # [!code ++]

升级与迁移指南

1.升级 LangChain 到 v1：

# 使用 pip 升级
pip install -U langchain
# 使用 uv 升级
uv add langchain

2.迁移参考：官方提供详细迁移文档，包含 API 变更、代码修改示例，可访问 Migration Guide[1]。3.问题反馈：若发现 v1 bugs，可在 GitHub 提交 Issue 并添加 v1 标签（提交链接[2]）。

总结

LangChain v1.0 是一个里程碑式的版本。它通过剥离遗留功能、聚焦于 Agent 核心、并引入强大的中间件系统，为开发者提供了一个更稳定、更灵活、真正“生产就绪”的平台。如果您正在构建或计划构建复杂的 AI 代理，现在是深入研究 LangChain v1.0 的最佳时机。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发